Машинное обучение преподносит сюрприз от COVID

Посещение больницы можно свести к первоначальному заболеванию и результату. Но медицинские записи рассказывают другую историю, полную записей врачей и историй болезни пациентов, показателей жизнедеятельности и результатов анализов, потенциально охватывающих недели пребывания. В медицинских исследованиях все эти данные умножаются на сотни пациентов. Поэтому неудивительно, что по мере того, как методы обработки данных ИИ становятся все более изощренными, врачи относятся к здоровью как к проблеме ИИ и больших данных.

В одной из недавних попыток исследователи из Северо-Западного университета применили машинное обучение к электронным медицинским записям, чтобы провести более детальный ежедневный анализ пневмонии в отделении интенсивной терапии (ОИТ), где пациентам помогали дышать с помощью аппаратов искусственной вентиляции легких. Анализ, опубликованный 27 апреля в Журнале клинических исследований, включает в себя кластеризацию койко-дней с помощью машинного обучения, что позволяет предположить, что длительная дыхательная недостаточность и риск вторичной инфекции гораздо чаще встречаются у пациентов с COVID-19, чем являются предметом многочисленных исследований. ранние страхи перед COVID — цитокиновые бури.

«Большинство методов анализа данных в отделениях интенсивной терапии изучают данные пациентов при их поступлении, а затем результаты в какой-то отдаленный момент времени», — сказал Бенджамин Д. Сингер, соавтор исследования и доцент Медицинской школы Фейнберга Северо-Западного университета. «Все, что посередине, — черный ящик».

Есть надежда, что ИИ сможет сделать новые клинические выводы на основе ежедневных данных о состоянии пациентов в отделениях интенсивной терапии, помимо исследования случая COVID-19.

Ежедневный подход к данным привел исследователей к двум взаимосвязанным выводам: вторичные респираторные инфекции представляют собой распространенную угрозу для пациентов отделений интенсивной терапии, в том числе пациентов с COVID-19; и сильная связь между COVID-19 и дыхательной недостаточностью, которую можно интерпретировать как неожиданное отсутствие доказательств цитокиновых штормов у пациентов с COVID-19. В конечном итоге можно было бы ожидать перехода к полиорганной недостаточности, если бы у пациентов наблюдался воспалительный цитокиновый ответ, которого исследователи не обнаружили. Сообщаемые показатели различаются, но цитокиновые штормы с самых первых дней пандемии считались опасной возможностью в тяжелых случаях COVID-19.

Примерно у 35 процентов пациентов в какой-то момент во время пребывания в отделении интенсивной терапии была диагностирована вторичная инфекция, также известная как вентилятор-ассоциированная пневмония (ВАП). Более чем у 57 процентов пациентов с COVID-19 развилась ВАП по сравнению с 25 процентами пациентов, не болеющих COVID. Множественные эпизоды ВАП были зарегистрированы почти у 20 процентов пациентов с COVID-19.

Кэтрин Гао, преподаватель медицины Северо-Западного университета и один из соавторов исследования, сказала, что использованные ими алгоритмы машинного обучения помогли исследователям «увидеть появление четких закономерностей, имеющих клинический смысл». Команда назвала свой подход к машинному обучению, ориентированный на день, CarpeDiem, в честь латинской фразы, означающей «лови момент».

CarpeDiem был создан с использованием платформы Jupyter Notebook, и команда предоставила доступ как к коду, так и к обезличенным данным. Набор данных включал 44 различных клинических параметра для каждого дня пациента, а подход кластеризации позволил получить 14 групп с различными признаками шести типов органной дисфункции: респираторной, вентиляторной нестабильности, воспалительной, почечной, неврологической и шоковой.

«В этой области основное внимание уделяется идее, что мы можем посмотреть на ранние данные и посмотреть, предскажут ли они, как [пациенты] будут чувствовать себя через дни, недели или месяцы», — сказал Сингер. По его словам, есть надежда, что исследования, использующие ежедневное состояние пациентов в отделении интенсивной терапии, а не просто несколько моментов времени, смогут рассказать исследователям – а также алгоритмам искусственного интеллекта и машинного обучения, которые они используют – больше об эффективности различных методов лечения или реакции на изменения в состоянии пациента. состояние. По словам Сингера, одним из будущих направлений исследований будет изучение динамики заболевания.

Разработанный исследователями метод (который они назвали «подходом в день пациента») может выявить и другие изменения в клинических состояниях с меньшим временем между получением данных, сказал Сайон Дутта, врач скорой помощи Массачусетской больницы общего профиля, который помогает разрабатывать прогностические модели для клинической практики. использовало машинное обучение и не участвовало в исследовании. По его словам, почасовые данные могут создать свои проблемы для подхода с кластеризацией, затрудняя распознавание закономерностей. «Я думаю, что разделение дня на 8-часовые отрезки может стать хорошим компромиссом в плане детализации и размерности», — сказал он.